狂飆的AI實際使用場景是什么？
0·前言
AI產(chǎn)品無論是問答類產(chǎn)品還是美術(shù)類產(chǎn)品從開年火到了現(xiàn)在，同時也顛覆了很多原有的工作流程。現(xiàn)在更多的公司開始引入AI開始進行工作流程之中，那接下來主要講一下在實際工作中使用的場景以及如何進行本地部署。
在部署和訓(xùn)練的時候會有一定量的代碼問題，這個需要和開發(fā)同學(xué)進行溝通。里面代碼都是通過AI以及開發(fā)相關(guān)平臺搜到的，有錯誤請聯(lián)系指正。
1·分類
Stable Diffusion-美術(shù)繪畫類產(chǎn)品
這里會有人提到Midjourney（后面簡稱mj）,mj現(xiàn)在也很火而且的確能出高質(zhì)量的圖片作為參考，但是產(chǎn)品是屬于聯(lián)網(wǎng)屬性?？赡軙?dǎo)致設(shè)計稿件以及最近的設(shè)計方向的泄漏，所以的話我才推薦Stable Diffusion這一類需要本地化部署的產(chǎn)品，不會讓公司的機密泄露出去。
ChatGPT-對話類產(chǎn)品
作為一個人工智能語言模型，使用自然語言處理技術(shù)，可以理解和生成人類語言。針對提問者提供幫助和建議，并嘗試與用戶進行自然而流暢的對話。能夠為提問者提供便利和娛樂，幫助人們解決問題和獲取信息，而且不會產(chǎn)生負(fù)面的情緒。就像是一個老師或者說是專家的環(huán)境下GPT可以作為一個不厭其煩的老師對你的問題進行指點和解決。
并且已經(jīng)從3.5升級到了4.0.在實際的工作流之中，給與我的最大震撼是可以通過圖片識別出主題，并且能夠進行過情緒方面的邏輯判斷這個點暫時沒想到在工作中如何進行使用（也許可以直接進行摳圖之類的）。
2·分別的應(yīng)用場景
2/1·Stable Diffusion
套系員工頭像
員工頭像可以是真實的照片，也可以是虛構(gòu)的圖像或符號。通常，公司或組織會要求員工提供一張清晰的照片，以便在其內(nèi)部系統(tǒng)中使用。一些公司還可能要求員工在其外部網(wǎng)站或社交媒體賬戶上使用公司標(biāo)識或公司品牌色調(diào)的頭像以增強品牌知名度。通常需要設(shè)計師（有的時候也被稱為美工）一個頭像一個頭像制作，效率相當(dāng)?shù)筒⑶覂r值也并不高。
用類似的風(fēng)格的大量喂圖，然后在引入照片和相連關(guān)鍵詞就可以快速生成頭像從而提高效率。
活動圖/游戲圖標(biāo)/插畫/原畫參考
因為這4個場景類似我就進行了合并處理，這個跟mj效果類似可以根據(jù)數(shù)據(jù)快速生成想要的圖，不過sd生成的效果現(xiàn)在看來質(zhì)量比不了mj。不過勝在不會泄密還是可以接受的。具體的效果需要看數(shù)據(jù)圖的質(zhì)量以及指令的精確與否。
關(guān)于游戲/插畫的部分再說下，我已經(jīng)知道了幾個游戲UI以及插畫師朋友公司決定不再續(xù)約了，已經(jīng)再整理作品集去找工作了，所以多學(xué)點吧。
人物造型
這個在電商領(lǐng)域已經(jīng)開始使用了，用AI生成模特之后調(diào)整動作（骨架調(diào)整），然后把衣服傳到sd之上進行替換。
我在相關(guān)的群里詢問了幾個電商人，都說是老板讓來學(xué)習(xí)的，就足以說明了現(xiàn)在的AI已經(jīng)能沖擊到了電商模特行業(yè)了。
IP設(shè)計
之前的IP設(shè)計一般是需要有專業(yè)美術(shù)功底的設(shè)計師進行設(shè)計，現(xiàn)在SD降低了門檻，只有準(zhǔn)確的指令和足夠的數(shù)據(jù)就可以生成不同的樣式進行選擇。并且像之前難以繪制的IP的表情包，換到現(xiàn)在只是一個關(guān)于表情的指令。
2/2·ChatGPT
專家問答
在實際工作中，無論是剛?cè)肼毜男氯诉€是進入到公司一段時間的同學(xué)，他們對項目的背景以及行業(yè)背景并不是很清晰。這個在B端設(shè)計中比較常見，只要設(shè)計師/產(chǎn)品換一個公司即使是同樣的ERP、SaaS類型的產(chǎn)品整個業(yè)務(wù)邏輯都要重新去學(xué)習(xí)。
還有一種情況就是新人進入之后是渴求老員工或者是團隊專家來進行培訓(xùn)帶領(lǐng)，實際情況是大家都在忙自己的事情很難抽出時間來帶領(lǐng)新人培訓(xùn)。即使是有時間，一般的老員工也不會帶新員工，因為沒有任何的收益。
但是有了“問答機器人”老師/前輩進行耐心的進行教學(xué)，能使得新人能人能夠快速進入到項目之中，降低新人的入門門檻和學(xué)習(xí)成本。即使是老人知識也是有限的，也可以通過問答方式就可以找到問題的解決方法。
高度數(shù)據(jù)整合
之前往往要搜索解決方式都是通過百度搜索多篇的文章或者是案例進行結(jié)合分析，但是融入了GPT之后提問者只要問出合適的問題就可以收到整合數(shù)據(jù)之后的方案，減少了提問者去分析數(shù)據(jù)資料得出結(jié)論的時間。
數(shù)據(jù)測試
新手初次做數(shù)據(jù)測試時候，往往會不知道什么規(guī)則去埋點，可以直接給與指點甚至可以給以相關(guān)字段表格。
用戶問題整合
用戶調(diào)研的出來的報告在做數(shù)據(jù)清理之后，往往要做用戶問題整合是個很麻煩的事情，可以把記錄傳到AI上并且精準(zhǔn)進行提問。AI可以進行問題的整合，把清洗后的問題進行分類以及數(shù)據(jù)的統(tǒng)計。
訪談框架
主要是用于調(diào)研時候可以利用AI快速搭建一個完整的訪談問題框架，從而不用一個一個問題從零開始搭建。
用戶訪談練習(xí)
這個功能我估計很多人都想不到這個功能，日常無論是邀請用戶還是請同事來做調(diào)研時間成本和金錢成本都不算的低的，很難找到合適訓(xùn)練對象。但是GPT就不一樣，沒有負(fù)面情緒可以配合演練者多次進行演練，比較適合調(diào)研前的演練以及新手演練對象。
3·Stable Diffusion
再部署以及后期的啟動時候需要一定的代碼知識，所以需要程開發(fā)同學(xué)的幫助。
3/1·Stable Diffusion本地部署
方法
01·自己部署
電腦配置
電腦方面建議Win10/11的電腦，Mac的沒有辦法了。常見看的設(shè)備是內(nèi)存卡，顯卡和cpu,內(nèi)存卡推薦16G以上，顯卡不推薦A卡主要是調(diào)試的問題比較多，4G的話只能出圖而且時間也比較長。
基礎(chǔ)環(huán)境由3個軟件搭建：python，vcode，Git:
python:推薦3.10.6版本，組要是用于抓取數(shù)據(jù)
VScode:可以理解為記事本可以修改代碼
GIT:專用的下載器，可以下載相關(guān)的美術(shù)信息
最后通過一鍵整合包進行
還有一種開源的方式（不過要懂一些代碼）
安裝Python環(huán)境。Stable Diffusion需要Python 3.6或更高版本。如果您的計算機上沒有Python環(huán)境，請先安裝Python。
安裝必要的依賴項。在安裝Stable Diffusion之前，您需要安裝以下依賴項：
NumPy
SciPy
NetworkX
Matplotlib 您可以使用pip命令來安裝這些依賴項，例如：
plaintextCopy code
pip install numpy scipy networkx matplotlib
下載Stable Diffusion的源代碼。您可以從Stable Diffusion的GitHub頁面下載源代碼：https://github.com/leotrs/stable-baselines。
解壓源代碼并進入項目目錄。使用以下命令解壓源代碼：
plaintextCopy code
unzip stable-baselines-master.zip
然后進入源代碼目錄：
plaintextCopy code
cd stable-baselines-master
安裝Stable Diffusion。使用以下命令來安裝Stable Diffusion：
plaintextCopy code
pip install -e .
這將在您的計算機上安裝Stable Diffusion，并將其添加到Python環(huán)境中。 6. 驗證安裝。運行以下Python代碼，確保Stable Diffusion已成功安裝：
plaintextCopy code
import stable_baselines print(stable_baselines.__version__)
如果輸出了版本號，則說明Stable Diffusion已經(jīng)成功安裝。 現(xiàn)在，您已經(jīng)成功在本地部署了Stable Diffusion。您可以使用它來進行社交網(wǎng)絡(luò)分析和傳播建模。
3/2·Stable Diffusion如何訓(xùn)練
常規(guī)的訓(xùn)練有3種分別是：embeding、lora以及pernert。現(xiàn)在常見的也是最新的模式就是lora，能夠?qū)τ趫D片上所有的特征以及細(xì)節(jié)機型復(fù)刻，還能夠訓(xùn)練畫風(fēng)和固定任務(wù)的特征
準(zhǔn)備數(shù)據(jù)。LoRA模型需要一個社交網(wǎng)絡(luò)圖和一組初始種子節(jié)點。您可以使用NetworkX庫創(chuàng)建一個社交網(wǎng)絡(luò)圖，并選擇一些節(jié)點作為初始種子節(jié)點。例如，以下代碼創(chuàng)建了一個包含100個節(jié)點和300個邊的社交網(wǎng)絡(luò)圖，并選擇了前10個節(jié)點作為初始種子節(jié)點：
plaintextCopy code
import networkx as nx import numpy as np import random # 創(chuàng)建一個包含100個節(jié)點和300個邊的隨機圖 G = nx.gnm_random_graph(100, 300) # 隨機選擇10個節(jié)點作為初始種子節(jié)點 seeds = random.sample(list(G.nodes()), 10)
創(chuàng)建LoRA訓(xùn)練器。在Stable Diffusion庫中，LoRA模型由LoRATrainer類實現(xiàn)。要創(chuàng)建一個LoRA訓(xùn)練器，請使用以下代碼：
plaintextCopy code
from stable_baselines import LoRATrainer # 創(chuàng)建LoRA訓(xùn)練器 trainer = LoRATrainer()
訓(xùn)練模型。使用train()方法訓(xùn)練LoRA模型。例如，以下代碼使用默認(rèn)參數(shù)在整個社交網(wǎng)絡(luò)圖上訓(xùn)練LoRA模型：
plaintextCopy code
# 訓(xùn)練LoRA模型 trainer.train(G, seeds)
在訓(xùn)練模型時，您可以指定以下參數(shù)：
steps=n：設(shè)置訓(xùn)練步驟的數(shù)量。默認(rèn)值為100。
offline_mode=True：使用離線模式進行訓(xùn)練。
online_mode=True：使用在線模式進行訓(xùn)練。
batch_size=n：使用小批量模式進行訓(xùn)練，并將批量大小設(shè)置為n。 例如，以下代碼使用在線模式和100個訓(xùn)練步驟在整個社交網(wǎng)絡(luò)圖上訓(xùn)練LoRA模型：
plaintextCopy code
# 使用在線模式和100個步驟訓(xùn)練LoRA模型 trainer.train(G, seeds, online_mode=True, steps=100)
預(yù)測傳播結(jié)果。使用predict()方法預(yù)測給定初始種子節(jié)點的傳播結(jié)果。例如，以下代碼預(yù)測使用前10個節(jié)點作為初始種子節(jié)點在整個社交網(wǎng)絡(luò)圖上的傳播結(jié)果：
plaintextCopy code
# 預(yù)測傳播結(jié)果 result = trainer.predict(G, seeds) print(result)
在訓(xùn)練LoRA模型時，您可以根據(jù)自己的需求選擇不同的參數(shù)和不同的訓(xùn)練數(shù)據(jù)。
注意點
是配套的大模型效果更好，訓(xùn)練需要一個大模型才能訓(xùn)練參數(shù)的，如果沒有選擇當(dāng)初的，效果不盡如人意
最好使用跟作者一樣的參數(shù)
正確設(shè)置使用的權(quán)重，不要設(shè)置到1以上，最好是09左右
一定要使用觸發(fā)詞：一定要看提示詞文檔
新手盡量不要使用多個lora（并不了解訓(xùn)練圖集）
美術(shù)資源主要來源于：civitai.com (俗稱：C站)
4·總結(jié)
利器能使優(yōu)秀者更新優(yōu)秀，平庸者更平庸。將來一定是會AI產(chǎn)品的和不會AI產(chǎn)品的競爭。AI一定是未來，未來已至。
轉(zhuǎn)載請在文章開頭和結(jié)尾顯眼處標(biāo)注：作者、出處和鏈接。不按規(guī)范轉(zhuǎn)載侵權(quán)必究。
未經(jīng)授權(quán)嚴(yán)禁轉(zhuǎn)載，授權(quán)事宜請聯(lián)系作者本人，侵權(quán)必究。
本文禁止轉(zhuǎn)載，侵權(quán)必究。
授權(quán)事宜請至數(shù)英微信公眾號(ID: digitaling) 后臺授權(quán)，侵權(quán)必究。
評論
評論
推薦評論
暫無評論哦，快來評論一下吧！
全部評論（0條）